元启芯控 YUANQI EMBEDDED ENGINEERING

首页/ 技术笔记/ HardFault 现场:从栈里把真相挖出来

HardFault · 2026-11-16

HardFault 现场:从栈里把真相挖出来

死机不可怕,不知道为什么死才可怕。异常发生时那几帧栈数据里,已经把"哪条指令、哪个地址、从哪来的"全写好了。

HardFault异常调试栈分析嵌入式软件 约 8 分钟读完
HardFault 现场:从栈里把真相挖出来

现场反馈:“设备用着用着就死机,重启就好,隔几天又来一次。”

拿回来连上调试器,第一次跑一整天都没复现;第二次跑了三天才复现一次——等到能复现,现场的上下文已经没了。

这种问题只有一条出路:让设备自己在死机那一刻,把现场存下来。

异常发生时,硬件已经帮你保存了关键信息

Cortex-M 系列在进入异常处理之前,硬件会自动把 8 个寄存器压栈(异常栈帧):

栈顶 ↑  xPSR
        PC      ← 出错的那条指令地址(关键)
        LR      ← 出错前的返回地址(关键)
        R12
        R3
        R2
        R1
        R0      ← 栈指针指向这里

有了 PC,就知道死在哪条指令;有了 LR,就知道是从哪个函数调过来的。

而拿到栈指针(MSP/PSP)之后,从它指向的位置往上读 8 个字,就能把这 8 个值取出来。

具体怎么取

在异常处理函数里,判断当前用的是哪个栈,取出栈帧:

void HardFault_Handler(void) {
    __asm volatile (
        "tst lr, #4        \n"   // 检查 EXC_RETURN 的 bit2
        "ite eq            \n"
        "mrseq r0, msp     \n"   // 主栈
        "mrsne r0, psp     \n"   // 进程栈(RTOS 任务)
        "mov r1, lr        \n"
        "b  hardfault_report\n"
    );
}

然后在 C 函数里,按结构体解析这块内存:

typedef struct {
    uint32_t r0, r1, r2, r3, r12, lr, pc, psr;
} exc_frame_t;

void hardfault_report(uint32_t *sp, uint32_t exc_return) {
    exc_frame_t *f = (exc_frame_t *)sp;
    save_to_flash(f->pc, f->lr, exc_return);
    while (1);
}

把 PC 和 LR 存进 Flash(或备份寄存器),下次连上设备就能读出来。 这是解决”偶发死机”唯一可靠的办法。

拿到 PC 之后怎么用

PC 是地址,要翻译回源码行:用编译产物里的地址映射表(.map 文件或 addr2line 工具):

addr2line -e firmware.elf 0x08004a2c
→ app/sensor.c:137

如果开了优化,PC 可能落在某条指令中间,反查出来的行号会略有偏差(前后几行)——但通常足够定位到函数。 这就够了:知道是哪个函数,剩下的靠代码审查。

LR 更有价值:它告诉你”是谁调用的”。如果 PC 落在某个通用函数(比如 memcpy)里,LR 能告诉你调用者是谁,直接从”死在里面”跳到”谁让我进来的”。

判据:从寄存器值反推故障类型

不同的错误,寄存器取值有明显的模式:

现象常见原因
PC 指向一个 xxxFFFFFF 附近的值跳到了非法地址(函数指针为空/被踩)
LR 的值明显不像代码地址栈被破坏,返回地址是垃圾数据
访问的地址接近 0x00000000空指针解引用
地址在 RAM 边界之外数组越界
地址是奇数(非对齐访问)结构体指针强转
反复在同一个函数里该函数有越界写或栈溢出

“访问地址”往往比 PC 更有指向性,它一般在故障状态寄存器(如 BFAR/CFSR)里能读到。

栈溢出:用”水位法”提前发现

HardFault 里很大一部分根因是栈溢出——局部数组开太大、递归太深、中断嵌套。

不等它崩,可以做一次”水位标记”:

// 启动时把整个栈区填成 0xCD
memset(&_stack_start, 0xCD, stack_size);

// 运行一段时间后检查
uint32_t used = 0;
while (((uint8_t*)&_stack_start)[used] == 0xCD) used++;
// used 就是历史最大使用量(从栈底起算)

这个数字比”栈设了多大”有用得多。 如果历史峰值已经到 90%,说明随时会溢出;如果只有 30%,可以放心。

把现场存下来:断电也不丢

存哪里?三个选择:

位置优点缺点
备份寄存器读写快、不磨损容量极小(几十字节),掉电丢失
内部 Flash 保留页掉电不丢写入慢(要擦),有磨损
外部 FRAM/EEPROM不磨损多一颗料

推荐:Flash 保留页 + 只保留最近 3~5 次记录。 死机不是高频事件,磨损完全不是问题,而”掉电不丢”非常关键——用户发现死机后的第一反应就是拔电源。

记录内容建议:

[ magic | 计数 | PC | LR | xPSR | CFSR | BFAR | 时间戳(可选) | CRC ]

一定要带 CRC:如果死机时正在写这条记录,这条记录本身也可能是坏的。

一张故障对照表

PC/LR 特征指向
PC = 0 或 极小值函数指针为空
PC 在 RAM 区跳到了数据区(回调指针被覆盖)
PC 指向 Flash 但不在已知函数内跳表越界 / 函数指针错位
LR 是垃圾值栈被破坏
同一位置反复出现该函数的越界写
只在中断密集时出现中断栈溢出 / 嵌套过深
只在某个通信场景出现缓冲区越界(通常是 off-by-one)

我们处理死机问题的顺序

  1. 先装”黑匣子” —— 把 PC/LR/CFSR 存 Flash,别等复现时抓不到
  2. 看 PC 反查 —— 定位到函数,而不是靠猜
  3. 看 LR —— 谁调用的,这一步经常直接给出答案
  4. 看访问地址 —— 判断是空指针、越界还是非对齐
  5. 查栈水位 —— 排除栈溢出这个高频根因
  6. 改完复测 —— 同一场景跑足够长时间

一句话:死机不是”运气不好”,是”有一个确定的原因,只是你还没看到”。 黑匣子就是把那个原因从偶发变成必然可见。

工程先看,再谈报价

项目上有卡住的地方?

硬件、固件、算法,都可以直接聊。

联系